CN116846493A - 信道预测方法、装置及无线通信设备 - Google Patents

信道预测方法、装置及无线通信设备 Download PDF

Info

Publication number
CN116846493A
CN116846493A CN202210303803.9A CN202210303803A CN116846493A CN 116846493 A CN116846493 A CN 116846493A CN 202210303803 A CN202210303803 A CN 202210303803A CN 116846493 A CN116846493 A CN 116846493A
Authority
CN
China
Prior art keywords
channel
target
model
parameter
wireless communication
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210303803.9A
Other languages
English (en)
Inventor
吴建明
李佳林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vivo Mobile Communication Co Ltd
Original Assignee
Vivo Mobile Communication Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Vivo Mobile Communication Co Ltd filed Critical Vivo Mobile Communication Co Ltd
Priority to CN202210303803.9A priority Critical patent/CN116846493A/zh
Priority to PCT/CN2023/082507 priority patent/WO2023179540A1/zh
Publication of CN116846493A publication Critical patent/CN116846493A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3911—Fading models or fading generators
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0417—Feedback systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种信道预测方法、装置及无线通信设备，属于通信技术领域，本申请实施例的信道预测方法包括：无线通信设备基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型；无线通信设备基于目标模型，对第一目标信道进行预测；其中，每个模型与辅助参数集中的一个辅助参数相关联，每个辅助参数与一个信道的多普勒频率相映射，第一参数与第一目标信道的多普勒频率相映射。

Description

信道预测方法、装置及无线通信设备
技术领域
本申请属于通信技术领域，具体涉及一种信道预测方法、装置及无线通信设备。
背景技术
在移动无线通信中，实现多进多出MIMO(Multi Input Multi Output，MIMO)传输的关键是：如何准确地通过无线通信接收端(如，用户设备UE(User Equipment，UE))反馈信道状态信息CSI(Channel State Information，CSI)给无线通信发送端(如，服务NR节点(NRNode B，gNB)基站)。
具体的，无线通信接收端可以直接反馈CSI给无线通信发送端；更有效地，无线通信接收端可以通过学习模型，例如，人工智能AI(Artificial Intelligence，AI)模型对信道进行预测，以对信道的CSI进行有效的反馈。然而，由于网络复杂度限制、模型传输限制及通信设备的不可预测性的原因，网络很难针对每个终端训练转用的学习模型；从而相关技术中，网络针对所有终端一般提供泛化的和蜂窝小区相关的学习模型。但是泛化的学习模型很难有效地提高MIMO-CSI的反馈性能。
发明内容
本申请实施例提供一种信道预测方法、装置及无线通信设备，能够解决泛化的学习模型很难有效地提高MIMO-CSI的反馈性能的问题。
第一方面，提供了一种信道预测方法，应用于无线通信设备，该方法包括：无线通信设备基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型；无线通信设备基于目标模型，对第一目标信道进行预测；其中，每个模型与辅助参数集中的一个辅助参数相关联，每个辅助参数与一个信道的多普勒频率相映射，第一参数与第一目标信道的多普勒频率相映射。
第二方面，提供了一种信道预测装置，装置包括：确定模块和预测模块；确定模块，用于基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型；预测模块，用于基于确定模块确定的目标模型，对第一目标信道进行预测；其中，每个模型与辅助参数集中的一个辅助参数相关联，每个辅助参数与一个信道的多普勒频率相映射，第一参数与第一目标信道的多普勒频率相映射。
第三方面，提供了一种无线通信设备，该无线通信设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面，提供了一种无线通信设备，包括处理器及通信接口，其中，所述处理器用于基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型；并基于目标模型，对第一目标信道进行预测；其中，每个模型与辅助参数集中的一个辅助参数相关联，每个辅助参数与一个信道的多普勒频率相映射，第一参数与第一目标信道的多普勒频率相映射，所述通信接口用于获取所述第一参数。
第五方面，提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第六方面，提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
第七方面，提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面所述的信道预测方法的步骤。
在本申请实施例中，无线通信设备基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型；且基于所述目标模型，对第一目标信道进行预测；其中，每个模型与辅助参数集中的一个辅助参数相关联，每个辅助参数与该一个信道的多普勒频率相映射，第一参数与第一目标信道的多普勒频率相映射。通过该方案，当需求对第一目标信道进行预测时，由于无线通信设备可以基于与第一目标信道的多普勒频率相映射的第一参数，确定目标模型，从而可以确保目标模型关联的辅助参数与第一目标信道的多普勒频率相适应，例如，训练目标模型使用的辅助参数(与一个信道的多普勒频率相映射)与第一参数相匹配，即可以使用多普勒频率特征与待预测的第一目标信道的多普勒频率特征相匹配的目标模型对第一目标信道进行预测，因此相比于相关技术中采用泛化的学习模型进行信道预测的方案，本申请实施例提供的信道预测方法可以提高信道预测的准确性。
附图说明
图1是本申请实施例提供的一种无线通信系统的架构示意图之一；
图2是本申请实施例提供的一种无线通信系统的架构示意图之二；
图3是基于被拆分的AI/ML进行推理的过程示意图；
图4是RAN3相关的AI功能框架；
图5是本申请实施例提供的一种信道预测方法的流程示意图；
图6是信道的自相关函数与该自相关函数的时间标准差的关系示意图；
图7是本申请实施例提供的信道预测方法中，与多普勒频率fk相关的模型的训练示意图；
图8是本申请实施例提供的信道预测方法中，通过多普勒频率fk相关的模型来进行多普勒频率2fk数据预处理过程示意图；
图9是本申请实施例提供的信道预测方法中，通过多普勒频率fk相关的模型来进行多普勒频率fk/2进行数据预处理过程示意图；
图10为本申请实施例提供的信道预测方法中，无线通信设备基于AI功能架构进行模型训练、数据预处理以及信道预测的流程示意图；
图11是本申请实施例提供的信道预测装置的结构示意图；
图12是本申请实施例提供的无线通信设备的结构示意图；
图13是本申请实施例提供的无线通信设备的硬件结构示意图之一；
图14是本申请实施例提供的无线通信设备的硬件结构示意图之二。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是，本申请实施例所描述的技术不限于长期演进型(Long TermEvolution，LTE)/LTE的演进(LTE-Advanced，LTE-A)系统，还可用于其他无线通信系统，诸如码分多址(Code Division Multiple Access，CDMA)、时分多址(Time DivisionMultiple Access，TDMA)、频分多址(Frequency Division Multiple Access，FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access，OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access，SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用，所描述的技术既可用于以上提及的系统和无线电技术，也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio，NR)系统，并且在以下大部分描述中使用NR术语，但是这些技术也可应用于NR系统应用以外的应用，如第6代(6th Generation，6G)通信系统。
图1示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络侧设备12。其中，终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal DigitalAssistant，PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、移动上网装置(Mobile Internet Device，MID)、增强现实(augmentedreality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备，如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer，PC)、柜员机或者自助机等终端侧设备，可穿戴式设备包括：智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是，在本申请实施例并不限定终端11的具体类型。如图2所示，网络侧设备12可以包括接入网设备或核心网设备，其中，接入网设备12也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备12可以包括基站、WLAN接入点或WiFi节点等，基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station，BTS)、无线电基站、无线电收发机、基本服务集(Basic Service Set，BSS)、扩展服务集(Extended Service Set，ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point，TRP)或所述领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不限于特定技术词汇，需要说明的是，在本申请实施例中仅以NR系统中的基站为例进行介绍，并不限定基站的具体类型。核心网设备可以包含但不限于如下至少一项：核心网节点、核心网功能、移动管理实体(MobilityManagement Entity，MME)、接入移动管理功能(Access and Mobility ManagementFunction，AMF)、会话管理功能(Session Management Function，SMF)、用户平面功能(UserPlane Function，UPF)、策略控制功能(Policy Control Function，PCF)、策略与计费规则功能单元(Policy and Charging Rules Function，PCRF)、边缘应用服务发现功能(EdgeApplication Server Discovery Function，EASDF)、统一数据管理(Unified DataManagement，UDM)，统一数据仓储(Unified Data Repository，UDR)、归属用户服务器(HomeSubscriber Server，HSS)、集中式网络配置(Centralized network configuration，CNC)、网络存储功能(Network Repository Function，NRF)，网络开放功能(Network ExposureFunction，NEF)、本地NEF(Local NEF，或L-NEF)、绑定支持功能(Binding SupportFunction，BSF)、应用功能(Application Function，AF)等。需要说明的是，在本申请实施例中仅以NR系统中的核心网设备为例进行介绍，并不限定核心网设备的具体类型。
下面首先对本申请的权利要求书和说明书中涉及的一些名词或者术语进行解释说明。
5G相关AI技术
AI/机器学习(Machine Learning，ML)正被用于跨行业的一系列应用领域。在移动通信系统中，移动设备(例如，智能手机，汽车，机器人)正越来越多地使用AI/ML模型取代传统算法(例如，语音识别，图像识别，视频处理)以更有效的支持应用程序。5G系统至少可以支持以下1)、2)和3)三种AI/ML操作:
1)，AI/ML端点之间的AI/ML操作拆分，具体为：AI端点之间的AI操作拆分，或者ML端点之间的ML操作拆分。
2)，AI/ML模型或数据在5G系统上的分发和共享，具体为：AI模型数据在5G系统上的分发和共享，或者，ML模型、数据在5G系统上的分发和共享；
3)，5G系统上的分布式/联合式学习。
目前，AI/ML操作/模型可以根据当前任务和环境分为多个部分，例如，图3为基于被拆分的AI/ML进行推理的过程示意图。如图3所示，AI/ML模型被拆分为2个分区，分别为终端设备分区和网络分区。
其中，拆分AI/ML模型的目的是将计算密集型，能源密集型部分集中到网络端，而将隐私敏感和延迟敏感部分留在终端设备上。终端设备将操作/模型执行到特定部分/层面，然后将中间数据发送到网络端。网络端执行剩余的部分/层面并将推理结果反馈给设备。
对于5G中AI/ML模型迁移的流量特性和性能的具体要求可以参考相关技术，为了避免重复，此处不再赘述。
如图4所示的是RAN3相关的AI功能框架。如图4所示，该AI功能框架至少包括：数据收集模块、训练模块、模型推理以及行为模块(actor)。下面分别对数据收集模块、训练模块、模型推理以及行为模块的功能进行详细说明。
数据收集模块(即，Data Collection)是一种向模型训练和模型推理函数(或模块)提供输入数据的函数。数据收集模块只执行一些数据预处理和清理，格式化和转换等处理，但并不执行AI/ML特定的算法数据准备。输入数据的示例可以包括来自用户设备UE或不同网络实体的测量，来自Actor的反馈，来自AI/ML模型的输出。数据收集模块收集的数据包括训练数据和推理数据；训练数据是作为AI/ML模型训练功能输入所需的数据，而推理数据是作为AI/ML模型推理功能输入所需的数据。
模型训练模块(即，Model Training)是一种执行AI机器学习模型训练，验证和测试的功能块，它可以生成模型性能指标作为模型测试过程的一部分。如果需要，模型训练功能还负责基于数据收集功能提供的训练数据进行数据准备(例如，数据预处理和清理，格式化和转换)。模型训练模块包括模型部署/更新；模型部署/更新是用于最初将经过训练，验证和测试的AI/ML模型部署到模型推理功能，或将更新的模型交付给模型推理功能。
模型推理模块(即，Model Inference)是一种提供AI/ML模型推理输出的功能块(例如，预测或决策)。如果需要，模型推理功能还负责基于数据收集功能提供的推理数据进行数据准备(例如，数据预处理和清理，格式化和转换)。模型推理模块包括输出；输出是模型推理功能产生的AI/ML模型的推理输出。
行为模块(即，Actor)是接收模型推理函数的输出并触发或执行相应的动作的功能块。行为模块可以触发针对其他实体或自身的动作。行为模块包括反馈；反馈是获取训练或推理数据或性能反馈可能需要的信息。
空间信道模型(Space Channel Model，SCM)
SCM模型可以通过12个步骤得到，具体的：
第1步:设置环境、网络布局和天线阵列参数。
第2步:分配传播条件，具体为视距(Line Of Sight，LOS)或非视距(Not Line OfSight，NLOS)。值得注意的是，不同基站和终端链路的传播条件是不相关的。
第3步:建模每个基站和终端链路的路径损耗。
第4步:生成大尺度参数，例如考虑到延迟扩展(DS)；角度扩展(AOA，AOD，ZOA，ZOD)；赖斯因子(Ricean Factor)；以及阴影衰落(SF)。具体的，可以使用Cholesky分解大尺度参数向量，生成平方根矩阵。
其中，扩展的角度包括以下至少一项：角边角(AOA)、AOD、ZOA、ZOD，AOD、ZOA、和ZOD的解释具体可以参见相关技术的空间信道模型的相关解释。
第5步:从延迟分布中随机抽取，生成集群延迟。
第6步:生成假设单斜率指数功率延迟曲线，并计算集群功率。
第7步:生成方位角和仰角的到达角(Angle Of Arrival，AOA)和离开角。
第8步:进行方位角和仰角的簇内射线耦合，即，随机耦合AOD角度到集群n内的AOA角度。
第9步:针对簇n的射线m生成交叉极化功率比(XPR)。XPR是对数正态分布的。
第10步:针对簇n的射线m和四种不同的偏振组合配置随机初始相位。
第11步:针对簇n以及第u个接收天线单元和第s个发射天线单元对生成相关信道系数。
第12步:对信道系数分配路径损耗和阴影。
MIMO信道相关的多普勒频率估计方法
由于无线通信设备的移动性和MIMO信道的空间性特征，精准的MIMO信道多普勒频率估计是非常困难的，因此在众多的MIMO信道多普勒频率估计方法中，利用计算MIMO信道在前后时间的相关性，粗略的估计多普勒频率特征的方法相对实际并有效。
假如时间t(时间t可以通过正交频分复用技术(Orthogonal Frequency DivisionMultiplexing，OFDM)符号或时隙等表示)中的MIMO信道的信道响应矩阵是Ht，则MIMO信道在时间t和时间t-Δd的自相关函数η(Δd)可以通过以下公式1计算，即：
其中，Δd是MIMO信道响应的间隔时间，可以由时隙或OFDM符号或时间(如，millisecond)来表示。
值得注意的是，η(Δd)是MIMO信道响应的相关性参数，并非同等于信道的多普勒频率，但是一般情况下，η(Δd)与信道的多普勒频率有着一一对应的关系。
下面结合附图，通过一些实施例及其应用场景对本申请实施例提供的信道预测方法、装置及无线通信设备进行详细地说明。
在移动无线通信系统中，有效实现MIMO传输的关键是如何准确地通过无线通信接收端(如，UE端)反馈CSI给无线通信发送端(如，gNB基站)。可选地，无线通信接收端可以直接反馈CSI给无线通信发送端；更有效地，无线通信接收端依赖训练的AI模型，进行信道预测，以监测信道的压缩过程，从而实现对MIMO信道相关CSI进行更有效的反馈。
在现实网络中，由于网络复杂度限制，模型传输限制和终端不可预测性的原因，网络很难实现针对每个终端训练AI模型。通常，网络针对所有终端一般提供泛化的和蜂窝小区相关的AI模型。但是泛化AI模型很难有效地提高MIMO-CSI信息的反馈性能。
在本申请实施例提供的信道预测方法中，可以通过信道辅助信息(即下述的辅助参数，也可以称为信道多普勒频率特征)进行模型的训练，且通过待预测信道(例如第一目标信道)的信道辅助信息(例如下述的第一参数)选择合适的模型，并基于选择的模型对待预测信道的未来的信道响应(也可以称为信道响应数据)进行预测。由于模型是辅助性地根据信道辅助信息来训练，只有当无线通信设备拥有相同的信道辅助信息的时候，与此信道辅助信息相关的模型才会被无线通信设备所训练或推理使用，因此可以提高对模型使用的准确性和有效性。
本申请实施例中，无线通信设备可以接收信道上的参考信号，通过该参考信号对相应信道的信道响应进行估计，并且，无线通信设备可以基于该参考信号对相应信道的信道多普勒频率特性进行评估。然后，一方面，针对相应的信道多普勒频率特性，无线通信设备选择与该信道多普勒频率特性相关联的AI模型，从而无线通信设备可以利用该信道多普勒频率特性和估计的信道响应，对相应的AI模型进行训练。另一方面，针对相应的信道多普勒频率特性，无线通信设备选择与该信道多普勒频率特性相关联的AI模型，无线通信设备利用估计的信道响应和选择的AI模型，对相应信道未来的信道响应进行预测。如此可以提高信道预测的准确性。
本申请实施例提供一种信道预测方法，图5为本申请实施例提供的信道预测方法的流程示意图，如图5所示，本申请实施例提供的信道预测方法可以包括下述的步骤101和步骤102。下面以无线通信设备执行该方法为例对该方法进行示例性地说明。
步骤101、无线通信设备基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型。
步骤102、无线通信设备基于目标模型，对第一目标信道进行预测。
其中，上述至少一个模型中的每个模型与辅助参数集中的一个辅助参数相关联，每个辅助参数与一个信道的多普勒频率相映射，第一参数与第一目标信道的多普勒频率相映射。
本申请实施例中，无线通信设备基于目标模型，对第一目标信道进行预测可以称为：无线通信设备对目标模型进行推理。
可选地，本申请实施例中，无线通信设备可以为接收端通信设备，也可以为发送端通信设备。或者，无线通信设备可以为UE或网络侧设备，具体可以根据实际使用需求确定，本申请实施例不作限定。
需要说明的是，本申请实施例中，模型与辅助参数关联可以理解为：该模型是基于该辅助参数训练得到的，而每个辅助参数与一个信道的多普勒频率相映射，即辅助参数可以指示该信道的多普勒频率；从而可以使得该模型能够对具有相同辅助参数的信道的进行准确预测，如此可以提高信道预测的准确度。
本申请实施例中，上述辅助参数集中包括至少一个辅助参数。
本申请实施例中，辅助参数与信道的多普勒频率相映射可以理解为：辅助参数可以指示信道的多普勒频率，或者，辅助参数可以由信道的多普勒频率确定。相应地，第一参数与第一目标新到的多普勒频率相映射可以理解为：第一参数可以指示第一目标新到的多普勒频率，或者，第一参数由第一目标新到的多普勒频率确定。
可选地，本申请实施例中的模型可以为AI模型、ML模型或者其他任意可以对信道进行预测的模型，具体可以根据实际使用需求确定，本申请实施例不作限定。
可以理解，本申请实施例中，上述辅助参数集中包括至少一个辅助参数。
本申请实施例中，辅助参数与信道的多普勒频率相映射可以理解为：辅助参数可以指示信道的多普勒频率，或者，辅助参数可以由信道的多普勒频率确定。相应地，第一参数与第一目标新到的多普勒频率相映射可以理解为：第一参数可以指示第一目标新到的多普勒频率，或者，第一参数由第一目标新到的多普勒频率确定。
可选地，本申请实施例中的模型可以为AI模型、ML模型或者其他任意可以对信道进行预测的模型，具体可以根据实际使用需求确定，本申请实施例不作限定。
可选地，本申请实施例中，目标模型关联的辅助参数与第一参数相匹配。即无线通信设备是基于第一参数与辅助参数集中的辅助参数的匹配度选择目标模型的。
可选地，本申请实施例中，一种方式中，第二辅助参数可以为辅助参数集中与第一参数间的匹配度最大的辅助参数，如此可以使得目标模型与目标信道之间具有最佳适配度，从而可以使得目标模型能够准确地对第一目标信道进行预测。另一种方式中，第二辅助参数可以为辅助参数集中与第一参数间的匹配度大于或等于预设匹配度的一个辅助参数，如此，假设辅助参数集中包括与第一参数的匹配度大于或等于预设匹配度的多个辅助参数，那么当该多个辅助参数中与第一参数的匹配度最大的辅助参数所关联的模型被占用时，无线通信设备可以选择与第一参数的匹配度次大的辅助参数所对应的模型，并将选择的模型确定为目标模型；如此可以在确保所确定模型与待预测信道间的适配度的基础上，提高确定模型的灵活性。
可选地，本申请实施例中，辅助参数集中的每个辅助参数可以包括以下至少之一：一个信道的多普勒频率、一个信道的第一自相关函数、一个信道的第一自相关函数的时间标准偏差。第一参数可以包括以下至少之一：第一目标信道的多普勒频率、第一目标信道的第二自相关函数、第一目标信道的第二自相关函数的时间标准偏差。
可选地，本申请实施例中，无线通信设备可以利用估计的信道响应计算信道的自相关函数，从而间接地获取信道的多普勒频率。
可选地，本申请实施例中，无线通信设备可以根据自相关函数推导出自相关函数的时间标准偏差。
可以理解，本申请实施例中，无线通信设备至少可以基于第一目标信道的多普勒频率、自相关函数或该自相关函数的时间标准差，确定目标模型。实际实现中，无线通信设备还可以基于任意能够与信道的多普勒频率相映射的任意参数确定目标模型。
对于上述一个信道和上述第一目标信道的多普勒频率的估计方法具体可以参见上述名词解释部分对MIMO信道相关的多普勒频率估计方法的相关描述，为了避免重复，此处不再赘述。
本申请实施例中，“信道的多普勒频率”也可以称为“信道的信道响应的多普勒频率”，两者意思相同，可以互换。“信道的自相关函数”也可以称为“信道的信道响应的自相关函数”，两者意思相同，可以互换。
本申请实施例中的信道响应可以采用信道响应对应的信道响应矩阵进行表示。
可选地，本申请实施例中，对于任意一个信道，可以通过多种方法获取该信道的响应响应Ht的多普勒频率，其中，获取该信道响应矩阵Ht的多普勒频率特征简单有效的方法是通过计算信道响应矩阵Ht的相关性特征。具体的，信道响应矩阵Ht的相关性特征可以有效通过信道响应矩阵Ht的自相关函数η(Δd)来表示，具体可以参见上述公式1。
可选地，本申请实施例中，在获取到信道的自相关函数之后，无线通信设备可以基于该自相关函数推导出该自相关函数相关的时间标准差(Standard Deviation)，以σ表示。
下面以辅助参数集中的每个辅助参数为一个信道的自相关函数的标准差为例，对上述步骤101进行详细说明。
示例性地，通过标准偏差σ作为辅助参数来决定进行信道预测的AI模型。如图6所示，假设至少一个AI模型中的第k个AI模型被关联到自相关函数η(Δd)，该自相关函数η(Δd)的时间标准偏差为σk，且无线通信设备为UE。那么当UE需求对第一目标信道进行预测时，UE可以先获取第一目标信道的第二自相关函数，并根据第二自相关函数确定第二自相关函数的时间标准差σUE。然后UE可以将σUE分别与至少一个AI模型映射的自相关函数的时间标准差σk对比，以选择至少一个AI模型中的第k个模型作为目标模型。
例如，被选择的第k个AI模型需要满足的条件是：
k＝arg minj|σUE-σj|
其中，j＝1,2,…,K；K为至少一个AI模型中的AI模型的总数量。
可以理解，实际实现中，也可以直接将模型(例如AI模型)关联到时间标准差。
可选地，本申请实施例中，每个模型关联的辅助参数由高层配置或协议约定。
示例性地，以至少一个模型中的每个模型为AI模型为例，该每个AI模型所关联的时间标准差σk(k＝1，2，…K，K为AI模型的数量)可以通过网络高层配置，如表1所示。
表1:AI模型和相应时间标准偏差σk的映射关系
AI模型索引，k 时间标准偏差σk
1 σ1
2 σ2
… …
K σK
可选地，本申请实施例中，时间标准偏差σk的设置可以通过比例相关公式表示，如σk＝γσk-1，其中γ是常数，可以通过网络高层设置，如，γ＝1.5。
可选地，本申请实施例中，时间标准偏差σk的设置也可以通过差值相关公式表示，如σk＝σk-1+β，其中β是常数，可以通过高层设置，如，β＝0.1。
可选地，本申请实施例中，上述的步骤102具体可以通过下述的步骤102a实现。
步骤102a、无线通信设备基于目标模型及第一信道响应，对第一目标信道进行预测。
其中，第一信道响应为接收端通信设备接收或估计的第一目标信道的信道响应。
值得注意的是，当无线通信设备是发送端通信设备时，接收端通信设备需要向无线通信设备汇报其所接收或估计的第一信道响应，然后无线通信设备可以基于第一信道响应和目标模型对第一目标信道进行预测。当无线通信设备是接收端通信设备时，无线通信设备可以直接通过目标模型和无线通信设备接收或估计的信道响应，第一目标信道进行预测。
可选地，本申请实施例中，第一信道响应的数量可以为多个，且多个第一信道响应在时域上连续。
例如，第一信道响应可以为估计的第一目标信道在量化的时域范围[n-N，n]内的信道响应矩阵Ht，t＝n,n-1,…,n-N，且N为正整数。
对于估计第一信道响应的描述将在下述实施例中进行详细描述，为了避免重复，此处不再赘述。
可选地，本申请实施例中，无线通信设备在确定目标模型之后，若第一参数与目标模型关联的辅助参数间的匹配度大于匹配度阈值，则无线通信设备可以采用下述的第一种预测方法，对第一目标信道进行预测；若第一参数与目标模型关联的辅助参数间的匹配度小于或等于匹配度阈值，则无线通信设备可以采用下述的第而种预测方法，对第一目标信道进行预测。
第一种预测方法
无线通信设备直接使用第一信道响应作为目标模型的输入数据，目标模型的输出数据即为对第一目标信道的预测信道响应。
下面结合具体示例对本申请实施例提供的信道预测方法进行示例性地描述。
示例性地，针对网络中的一个无线通信设备，根据MIMO信道的信道响应矩阵Ht的相关性特征(具体为时间标准差)，从至少一个AI模型中确定目标模型，如第k个AI模型，其中，k＝1,2,…,K；且第k个AI模型映射的相关性特征和估计的信道响应Ht矩阵的相关性特征应该最为接近。然后，无线通信设备可以选择第一目标信道的信道响应的响应矩阵Hn,Hn-1,…,Hn-N作为第一信道响应，从而可以将第一信道响应作为第k个AI模型的输入数据；如此可以通过信道响应矩阵Hn、Hn-1,…,Hn-N以及第k个AI模型，实现对第一目标信道的未来信道进行预测，得到预测信道响应其中，/>是通过第k个AI模型进行信道预测的时间长度(也称为预测间隔)。
第二种预测方法
无线通信设备使用第一信道响应进行数据预处理(Pre-processing)；然后再采用预处理后的信道响应和目标模型，对第一目标信道进行预测。其中，对第一信道响应的数据预处理方法与目标对比结果相关。
可选地，本申请实施例中，上述步骤102a具体可以通过下述的步骤102a1和步骤102a2实现。
步骤102a1、无线通信设备在目标模型关联的辅助参数与第一参数间的匹配度小于或等于第一匹配度阈值的情况下，对第一信道执行与目标对比结果对应的预处理，得到第二信道响应，目标对比结果为目标模型关联的辅助参数与第一参数的对比结果。
步骤102a2、无线通信设备基于目标模型及所述第二信道响应，对第一目标信道进行预测。
可选地，本申请实施例中，目标对比结果为所述目标模型关联的辅助参数与所述第一参数间的比值。
可选地，本申请实施例中，无线通信设备基于目标对比结果，采用内插值(Interpolation)的方法或采用数据选择方法，对第一信道响应进行预处理。
示例性地，假设目标对比结果为所述目标模型关联的辅助参数与所述第一参数间的比值，那么：若该比值小于1或者大于1，则无线通信设备可以基于该比值，采用内插值法对第一信道响应进行插值处理。可以理解，当该比值等于等于或约等于1时，表示第一参数与目标模型关联的辅助参数的匹配度大于或等于匹配度阈值，即无需对第一信道响应进行预处理。
示例性地，假设目标模型关联的辅助参数为时间标准差σk，第一参数为时间标准差σUE，且小于1；又假设第一信道响应包括：信道响应Hn,…,Hn-N；那么：
假设Hn-i是第一目标信道在时间n-i的信道响应，若需求通过信道响应Hn-i预测第一目标信道在时间的信道响应/>那么需要内插值的时间将被表示为：
其中，i＝0,1,…,N。
同样地，信道预测的时间间隔也需要被调整，调整后的时间间隔被表示为：以使得被预处理后的数据对应在时间上和已选择的模型的信道响应预测的时间间隔相匹配。
然后，无线通信设备可以将在时间的信道响应矩阵/>作为输入数据，在时间/>的信道响应矩阵/>作为输出。值得注意的是，输入数据是通过在时间tn,…,tn-N的信道响应矩阵Hn,…,Hn-N和内插值的方法获取的。/>
对信道响应矩阵进行内插值的具体方法可以参见相关技术中的相关描述，为了避免重复，此处不再赘述。
下面结合具体示例对本申请实施例提供信道预测方法进行示例性地说明。
示例1，当选择的模型(即目标模型)与信道多普勒频率fk(即目标模型关联的辅助参数)相关联，而需要预测信道(即第一目标信道)的多普勒频率是2fk(即第一参数)。由于多普勒频率fk与多普勒频率2fk的比值等于1/2，因此第一目标信道适配的模型的训练数据长度(即时域采样范围)和预测间隔分为为目标模型的训练数据长度和预测间隔的2倍，从而无线通信设备可以对第一信道响应进行1/2的内插值处理，得到第二信道响应。然后，无线通信设备可以将第二信道响应中处于目标模型的训练数据长度内的信道响应数据作为目标模型推理输入，并对第一目标信道在目标模型的预测间隔对应的时间的信道响应进行预测。
示例2，当选择的模型(即目标模型)与信道多普勒频率fk(即目标模型关联的辅助参数)相关，而需要预测的信道(即第一目标信道)的多普勒频率是fk/2。由于多普勒频率fk与多普勒频率fk/2的比值等于2，因此第一目标信道适配的模型的训练数据长度(即时域采样范围)和预测间隔分为为目标模型的训练数据长度和预测间隔的一半，从而无线通信设备可以对第一信道响应中的信道响应进行50％的选择/采样处理，以得到第二信道响应，例如第一信道响应包括：信道响应矩阵H1、H2、H3、H4、H5、H6、H7和H8，第二信道响应包括：信道响应矩阵H1、H3、H5、H7或者，第二信道响应可以包括信道响应矩阵H2、H4、H6、H8。然后，无线通信设备可以将第二信道响应中处于目标模型的训练数据长度内的信道响应矩阵作为目标模型的推理输入，并对第一目标信道在目标模型的预测间隔对应的时间的信道响应进行预测。
可选地，本申请实施例中，对信道响应进行选择处理是与预测间隔的信道响应的选择相关联的，图9所示了两种不同信道响应预测时间点的信道响应的选择实例。
可选地，本申请实施例中，在上述步骤101之前，本申请实施例提供的信道预测方法还可以包括下述的步骤103。
步骤103、无线通信设备基于目标模型关联的辅助参数，对所述目标模型进行训练。
可选地，本申请实施例中，模型的训练可以通过UE或服务NR节点(NR Node B，gNB)或相关通信设备实现的。即无线通信设备可以为UE或gNB。
本申请实施例中，无线通信设备是通过信道辅助信息(即辅助参数)对目标模型进行训练的，因此可以使得目标模型能够对具有参数与其关联的辅助参数相匹配的信道进行准确预测。
可以理解，本申请实施例中，目标模型是针对具有特定多普勒频率特性的信道的模型。
本申请实施例中可以根据不同的辅助参数对不同模型进行训练，这样会使训练得到的模型会更有特征性。从而相比于相关技术中泛化的模型，本申请实施例中使用辅助参数训练得到的模型能够对具有相同或相应多普勒频率特征的信道进行更加准确的预测。
为了便于理解本申请实施例提供的信道预测方法，下面先对基于辅助信息进行信道预测的方法进行说明。
在大多数情况下，AI监督学习(Supervised Learning)模型可以通过一个概率分布函数p(y|x；w)来表示，其中，x是已知数据向量(也可以被称为数据标签，即，Label)，y是AI神经网的输入数据，w是AI神经网权值向量或系数向量，需要通过AI模型训练获取。
值得注意的是，(y,x)可以被视为AI模型训练的训练数据集，被表示为
其中，(yn,xn)是第n对输入数据样本，N是训练数据集中的训练数据样本总数。
通过简单地使用最大似然原理(Maximum Likelihood)，即，使用训练数据和模型预测之间的交叉熵(Cross Entropy)作为成本函数(Cost Function)，AI神经网参数w的训练可以通过求解成本函数J(w)的最小值来获取，其中，成本函数J(w)被表示为下述的公式2：
如果假设训练数据集可以被划分为训练数据子集，并且第k个数据子集与参数zk相关联，那么训练数据集可以被表示为：
其中，z可以被视为辅助参数向量，z＝{z1,z2,…,zK}，训练数据子集(Xk,Yk)可以被表示为：
其中，
当数据子集(Xk,Yk)与数据子集(Xi,Yi)完全独立的情况下，即，其中k≠i，概率分布函数p(y|x；w)可以被表示为下述的公式3：
因此，训练数据和训练模型之间的交叉熵可以被表示为下述的公式4：
结合公式4可知，如果辅助参数向量z是已知的或可以被估计的，则与辅助参数zk相关联的模型可以被独立训练，其成本函数可以被简化为下述的公式5：
其中，k＝1,2,…,K，K是独立模型的总数。
值得注意的是，相比使用公式2来训练的模型方法，使用公式5来训练的模型方法要简单的多，且模型的训练会更加准确，推理性能也会大幅提高。
可以理解，本申请实施例中的目标模型是基于公式5进行训练的。其中，zk可以为目标模型关联的辅助参数。
下面对基于辅助参数训练的模型能够提高信道预测的准确度的原理进行分析说明。
参见上述对SCM模型的描述，其中，第1步到第10步主要产生与MIMO信道相关联的静态或半静态的参数，即在一定时间范围内，静态或半静态的参数不会由于时间或环境的变化而产生变化。第11步针对簇n以及接收端通信设备的第u个接收天线单元和发送端通信设备的第s个发射天线单元对生成相关信道系数，u和s表示天线的索引。具体的，对于第n簇和第m射线，相关信道系数由以下公式6给出：
其中，为接收天线单元u和发射天线单元s对在第n簇和第m射线中生成信道响应，Pn为第n簇的接收功率；M为每个簇中的射线总数；Frx,u,θ和Frx,u,φ分别为接收天线单元u在球面基矢量方向上/>和/>的场模式；Ftx,s,θ和Ftx,s,φ分别为发射天线单元s在球面基矢量方向上/>和/>的场模式；/>是接收天线单元u的位置向量，/>是发射天线单元s的位置向量，/>是线性尺度的交叉极化功率比(Cross Polarisation Power Ratio)，λ0是信号波长；/>为移动通信设备的移动速度；θn,m,ZOA为第n簇和第m射线的天顶角(即，Zenithangle Of Arrival)；φn,m,AOA为第n簇和第m射线的到达方位角(即，Azimuth angle OfArrival)；/>为第n簇和第m射线的天顶角间的相位；/>为第n簇和第m射线的天顶角和到达方位角的相位；/>为第n簇和第m射线的到达方位角和天顶角的相位；θn,m,ZOD为第n簇和第m射线的离去天顶角(即，Zenith angle Of Departure)；φn,m,AOD为第n簇和第m射线的离去方位角(即，Azimuth angle Of Departure)。/>为接收天线单元u的方向；/>为发射天线单元s的方向。
因此结合公式6可知，第u个接收天线单元和第s个发射天线单元对在第n簇中生成信道响应为：
其中，Cu,s,n,m是与时间t无关的静态参数，fn,m是多普勒频率。
可选地，本申请实施例中，信道的多普勒频率根据信道上的参考信号的到达角确定。
可选地，本申请实施例中，当考虑发送端或接收端的一方具有移动性的时候(如，蜂窝网通信中的UE具有移动性)，多普勒频率fn,m可以被表示为：
其中，为接收天线单元u的方向，/>是UE的移动速度v相关的矢量，被表示为：其中，φv和θv分别是UE的行进方位角和仰角。
可选地，本申请实施例中，当考虑发送端通信设备和接收端通信设备同时具有移动性的话(如，V2X通信中的两个UE同时具有移动性)，那么：发送端通信设备和接收端通信设备双移动性(Dual Mobility)必须被考虑，此时，多普勒频率fn,m可以被表示为：
其中，
和/>分别为发送端通信设备和接收端通信设备的速度相关矢量，θv,tx和θv,rx分别是发送端和接收端的行进方位角，φv,tx和φv,rx分别是发送端和接收端的仰角；/>为接收天线单元u的方向；/>为发射天线单元s的方向。
如果模型是作为信道预测而训练的话，信道预测过程是通过在时间t的信道响应来预测时间t+Δ的信道响应，而且Δ是一个相对比较小的时间段，那么被训练的模型完全有能力获取比较精准的与公式7中的静态参数Cu,s,n,m相关联的信息。因此，针对信道预测的模型，可以根据与信道的多普勒频率相映射的辅助参数进行训练，以使得模型能够更好地对信道进行预测。
可选地，本申请实施例中，目标模型关联的辅助参数与第二目标信道的多普勒频率相映射，上述步骤103具体可以通过下述的步骤103a实现。
步骤103a、无线通信设备基于目标模型关联的辅助参数和第二目标信道的信道响应，对目标模型进行训练。
可选地，本申请实施例中，第二目标信道与第一目标信道可以相同，也可以不同。
可以理解，第一目标信道的多普勒频率特征与第二目标信道的多普勒频率特征相匹配。
可选地，本申请实施例中，当无线通信设备是发送端通信设备时，第二目标信道的信道响应由接收端设备汇报，或者无线通信设备基于接收端设备汇报的信息估计，该信息为接收端设备通过第二目标信道接收的信息。当无线通信设备是接收端通信设备时，无线通信设备直接通过接收/估计的信道响应对目标模型进行训练。
需要说明的时，本申请实施例中，模型训练(training)是根据已知信道响应进行的。具体的，假设第二目标信道的信道响应中可以包括第四信道响应和第五信道响应，第四信道响应是第二目标信道在时间到/>的信道响应。第五信道响应是第二目标信道在时间tn的信道响应。无线通信设备可以将第四信道响应作为模型训练的输入数据，而将第五信道响应作为模型训练标签。通过模型的输出数据和标签数据的比较实现对模型的训练或更新AI模型。
值得注意的是，目标模型训练需要事先进行的，并在需要使用时进行更新，如第二目标信道的响应特性改变了时，即可对目标模型进行更新。
下面对模型的训练过程进行详细说明。
1)、对于用于信道预测的K个AI模型，其中，每个AI模型与一个多普勒频率相映射的辅助参数(即，公式5中表示的zk)关联；如，每个AI模型与一个信道的自相关函数η(Δd)或该信道的自相关函数的时间标准差关联。
下面以每个AI模型与一个信道的自相关函数的时间标准差关联为例进行说明。
2)、针对网络中的一个无线通信设备，在时间t，估计第二目标信道的信道响应矩阵Ht，其中，t＝n,n-1,…,n-L。
3)、根据信道响应矩阵Ht的自相关函数，估计信道响应矩阵Ht的时间标准差。
4)、根据信道响应矩阵Ht的时间标准差，选择需要训练的AI模型(即目标模型)，如第k个AI模型，其中，k＝1,2,…,K。
值得注意的是，被选择的第k个AI模型关联的时间标准差和信道响应矩阵Ht的时间标准差应最为接近。
4)、对第二目标信道的信道响应(矩阵)进行采样，得到信道响应矩阵将采样得到的信道响应矩阵/>作为第k个AI模型的输入数据；并将第二目标信道的信道响应矩阵Hn作为第k个AI模型的标签数据；以通过该输入数据和该标签数据对第k个AI模型进行训练或微调。其中，/>是通过第k个AI模型进行信道响应预测的测量间隔。
本申请实施例中，由于目标模型关联的辅助参数与第二目标信道的多普勒频率相映射，因此可以确保目标模型的训练数据是与目标模型关联的辅助参数相适配，从而可以提高目标模型针对性。
在本申请实施例提供的信道预测方法中，当需求对第一目标信道进行预测时，由于无线通信设备可以基于与第一目标信道的多普勒频率相映射的第一参数，确定目标模型，从而可以确保目标模型关联的辅助参数与第一目标信道的多普勒频率相适应，例如，训练目标模型使用的辅助参数(与一个信道的多普勒频率相映射)与第一参数相匹配，即可以使用多普勒频率特征与待预测的第一目标信道的多普勒频率特征相匹配的目标模型对第一目标信道进行预测，因此相比于相关技术中采用泛化的学习模型进行信道预测的方案，本申请实施例提供的信道预测方法可以提高信道预测的准确性。
可选地，本申请实施例中，在上述步骤103之后，本申请实施例提供的信道预测方法还可以包括下述的步骤104和步骤105。
步骤104、无线通信设备对目标模型进行性能评估。
步骤105、无线通信设备在目标模型的性能评估结果不符合性能需求的情况下，对目标模型的模型参数进行更新或微调；
其中，目标模型的模型参数包括以下至少之一：所述目标模型的时域采样范围、所述目标模型的预测间隔、所述目标模型的采样间隔。
本申请实施例中，无线通信设备对目标模型进行性能评估为：无线通信设备可以将目标模型关联的辅助参数与已经被预测的信道的参数(该参数与已经被预测的信道的多普勒频率相映射)进行对比，得到第一对比结果。
可以理解，对模型进行性能评估是在通过该模型完成信道预测后，具体的，可以将预测的信道与预测该信道的预测时间所接收到信道进行比对，以得到第一对比结果。也就是说，模型的性能评估是，针对相同时间，通过将在该时间接收到信道响应和基于模型对该时间的信道进行预测得到的信道响应相比较进行的。
可选地，本申请实施例中，如果第一对比结果大于或等于预测容忍阈值(预设、或协议约定)，即不符合性能评估要求，则无线通信设备启动更新目标模型的模型参数过程。
可选地，本申请实施例中，无线通信设备可以在网络环境发生改变，如突然建立一个临时的建筑；或者由于目标模型训练的不够好的情况下，通过对目标模型的性能进行评估的方式，判断是否需要对目标模型的模型参数进行更新或微调。
本申请实施例中，由于无线通信设备对目标模型的性能进行评估，并在评估结果不符合性能要求的情况下，更新目标模型的模型参数，因此可以确保目标模型能够适应信道的变化，从而可以通过目标模型对特定信道进行准确预测。
可选地，本申请实施例中，在上述步骤101之前，本申请实施例提供的信道预测方法还可以包括下述的步骤106。
步骤106、无线通信设备基于目标信息，对第一目标信道进行参数估计，得到第一参数；
其中，目标信息包括以下至少之一：第一目标信道上的参考信号、接收端通信设备估计或接收的所述第一目标信道的第三信道响应。
可选地，本申请实施例中，第三信道响应与第一信道响应可以相同，也可以不同。
可选地，本申请实施例中，以目标信息为第一目标信道上的参考信号为例，无线通信设备可以基于该参考信号，估计第一目标信道的信道响应，然后再利用估计的信道响应，对第一目标信道进行信道估计，以得到第一参数。
可选地，本申请实施例中，以目标信息为第三信道响应为例，无线通信设备在时间t，选择MIMO信道(即第一目标信道)的信道响应矩阵是Ht(即第三信道响应)，其中，t＝n,n-1,…,n-L。然后无线通信设备可以基于第三信道响应确定第一目标信道的自相关函数，并基于该自相关函数，估计第一目标信道的时间标准差。
本申请实施例中，由于第一参数是无线通信设备基于目标信息估计得到的，因此可以提高第一参数的准确度，从而可以提高确定目标模型的准确度，进而提高信道预测的准确度。
下面再结合具体示例对本申请实施例提供的信道预测方法进行示例性地说明。
示例性地，当选择的模型(即目标模型)与信道多普勒频率fk(即目标模型关联的辅助参数)相关联，而需要预测信道(即第一目标信道)的多普勒频率是2fk(即第一参数)；即目标模型关联的辅助参数与第一参数间的匹配度小于或等于第一匹配度阈值(例如第一匹配度阈值为100％)。
图7所出了与多普勒频率fk相关的模型的训练示意图。在训练该模型时，无线通信设备首先设置与多普勒频率fk相关的训练数据长度(即时域采样范围)和预测间隔。然后，无线通信设备收集在训练数据长度内的信道响应数据(即第二信道响应)作为该模型的的输入数据，收集预测间隔的信道响应矩阵Hn作为模型训练的标签，如此可以实现对模型的训练。
图8所示了通过多普勒频率fk相关的模型来进行多普勒频率2fk数据预处理过程示意图。其中，图8中的(a)为第一信道响应的示意图，图8中的(b)为第二信道响应的示意图。无线通信设备首先设置与多普勒频率2fk相关的训练数据长度和预测间隔，由于多普勒频率fk与多普勒频率2fk的比值等于1/2，因此第一目标信道适配的模型的训练数据长度(即时域采样范围)和预测间隔分为为目标模型的训练数据长度和预测间隔的2倍，从而无线通信设备可以对第一信道响应进行1/2的内插值处理，得到如图8中的(b)所示的第二信道响应，可以看出第二信道响应中矩阵的数量为第一信道响应中矩阵的数量的2倍。然后，无线通信设备可以将第二信道响应中处于目标模型的训练数据长度内的信道响应数据(矩阵)作为目标模型推理输入，并对第一目标信道在目标模型的预测间隔对应的时间的信道响应进行预测。
又示例性地，当选择的模型(即目标模型)与信道多普勒频率fk(即目标模型关联的辅助参数)相关联，而需要预测的信道(即第一目标信道)的多普勒频率是fk/2；即目标模型关联的辅助参数与第一参数间的匹配度小于或等于第一匹配度阈值(例如第一匹配度阈值为100％)。假设与信道多普勒频率fk相关联的模型已经训练好。
图9所示了通过多普勒频率fk相关的模型来进行多普勒频率fk/2进行数据预处理过程示意图；由于多普勒频率fk与多普勒频率fk/2的比值等于2，因此第一目标信道适配的模型的训练数据长度(即时域采样范围)和预测间隔分为为目标模型的训练数据长度和预测间隔的一半，从而如图9中的(a)或图9中的(b)所示，无线通信设备可以对第一信道响应中的信道响应进行50％的选择/采样处理，以得到第二信道响应，且第二信道响应中矩阵的数量为第一信道中矩阵的数量的一半。然后，无线通信设备可以将第二信道响应中处于目标模型的训练数据长度内的信道响应数据(矩阵)作为目标模型的推理输入，并对第一目标信道在目标模型的预测间隔对应的时间的信道响应进行预测。
可选地，本申请实施例中，如图9所示，对信道响应进行选择处理是与预测间隔的信道响应的选择相关联的。
可选地，本申请实施例中，如图10所示，为无线通信设备基于AI功能架构进行模型训练、数据预处理以及信道预测的流程示意图，从图10可以看出，该AI功能架构至少包括：数据收集模块、多普勒或相关特性预测模块、数据预处理模块、模型训练模块、模型选择模块以及模型推理模块。其中，无线通信设备可以通过数据收集模块收集信道(以下称为信道A)的信道响应，然后：
一种情况下，无线通信设备可以直接基于数据收集模块收集到的信道响应，通过模型训练模块，对关联相应辅助参数的模型进行训练；然后无线通信设备可以通过模型训练模块将训练的模型部署或更新到模型推理模块，即添加到模型库中，以便于后续能够基于训练的模型进行相关信道的预测。
另一种情况下，无线通信设备可以基于数据收集模块收集到的信道响应，估计信道A的多普勒频率相关的参数，例如估计信道A的自相关函数的时间标准差σUE；然后无线通信设备可以通过模型选择模块，基于该时间标准差σUE确定与相同或相应时间标准差关联的模型。例如第k个模型；从而无线通信设备可以通过模型训练模块对选择的模型进行训练，或者通过模型推理模块，基于选择的模型对信道A进行预测。
又一种情况下，当信道A的多普勒频率相关的参数与已选择的模型关联的辅助参数匹配，但两者的匹配度小于或等于第一匹配度阈值时，无线通信设备可以先基于数据预处理模块，对数据收集模块收集到的信道响应进行预处理，然后再通过模型推理模块，基于预处理后的信道响应和已选择的模型，对信道A进行预测，并输出预测信道响应。
进一步地，无线通信设备基于模型推理模块对信道A进行预测后，无线通信设备可以通过模型推理模块将第k个模型的性能反馈给模型选择模块。
需要说明的是，本申请实施例中，上述实施例中均是以无线通信设备训练、推理以及更新目标模型为例进行示意的，实际实现中，目标模型的训练、推理和更新可以分别由不同的通信设备执行，具体可以根据实际使用需求确定，本申请实施例不作限定。
本申请实施例提供的信道预测方法，执行主体可以为信道预测装置。本申请实施例中以信道预测装置执行信道预测方法为例，说明本申请实施例提供的信道预测装置。
本申请实施例提供了一种信道预测装置110，图11示出了本申请实施例提供的信道预测装置110的结构示意图，如图11所示，该信道预测装置110可以包括：确定模块111和预测模块112。确定模块111，用于基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型；预测模块112，用于基于确定模块111确定的目标模型，对第一目标信道进行预测。其中，每个模型与辅助参数集中的一个辅助参数相关联，每个辅助参数与一个信道的多普勒频率相映射，第一参数与第一目标信道的多普勒频率相映射。
一种可能的实现方式中，上述每个辅助参数包括以下至少之一：上述一个信道的多普勒频率、上述一个信道的第一自相关函数、第一自相关函数的时间标准偏差。
一种可能的实现方式中，上述第一参数包括以下至少之一：第一目标信道的多普勒频率、第一目标信道的第二自相关函数、第二自相关函数的时间标准偏差。
一种可能的实现方式中，上述目标模型关联的辅助参数与第一参数相匹配。
一种可能的实现方式中，上述第二辅助参数为辅助参数集中与第一参数间的匹配度最大的辅助参数。
一种可能的实现方式中，上述预测模块112，具体用于基于目标模型及第一信道响应，对第一目标信道进行预测；其中，第一信道响应为接收端通信设备接收或估计的第一目标信道的信道响应。
一种可能的实现方式中，上述预测模块112，具体用于在目标模型关联的辅助参数与第一参数间的匹配度小于或等于第一匹配度阈值的情况下，对第一信道执行与目标对比结果对应的预处理，得到第二信道响应，目标对比结果为目标模型关联的辅助参数与第一参数的对比结果；无线通信设备基于目标模型及第二信道响应，对第一目标信道进行预测。
一种可能的实现方式中，上述目标对比结果为目标模型关联的辅助参数与第一参数间的比值。
一种可能的实现方式中，上述装置还可以包括训练模块。所训练模块，用于在确定模块111基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型之前，基于目标模型关联的辅助参数，对目标模型进行训练。
一种可能的实现方式中，上述目标模型关联的辅助参数与第二目标信道的多普勒频率相映射；训练模块，具体用于基于目标模型关联的辅助参数和第二目标信道的信道响应，对目标模型进行训练。
一种可能的实现方式中，上述装置还可以包括评估模块和更新模块；评估模块，用于在训练模块基于目标模型关联的辅助参数和第二目标信道的信道响应，对目标模型进行训练之后，对目标模型进行性能评估；所更新模块，用于在目标模型的性能评估结果不符合性能需求的情况下，对目标模型的模型参数进行更新或微调；
其中，目标模型的模型参数包括以下至少之一：目标模型的时域采样范围、目标模型的预测间隔、目标模型的采样间隔。
一种可能的实现方式中，上述装置还包括估计模块；估计模块，用于在确定模块111基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型之前，基于目标信息，对第一目标信道进行参数估计，得到第一参数；
其中，目标信息包括以下至少之一：第一目标信道上的参考信号、接收端通信设备估计或接收的第一目标信道的第三信道响应。
一种可能的实现方式中，上述信道的多普勒频率根据信道上的参考信号的到达角确定。
一种可能的实现方式中，上述每个模型关联的辅助参数由高层配置或协议约定。
在本申请实施例提供的信道预测装置110中，当需求对第一目标信道进行预测时，由于信道预测装置110可以基于与第一目标信道的多普勒频率相映射的第一参数，确定目标模型，从而可以确保目标模型关联的辅助参数与第一目标信道的多普勒频率相适应，例如，训练目标模型使用的辅助参数(与一个信道的多普勒频率相映射)与第一参数相匹配，即可以使用多普勒频率特征与待预测的第一目标信道的多普勒频率特征相匹配的目标模型对第一目标信道进行预测，因此相比于相关技术中采用泛化的学习模型进行信道预测的方案，本申请实施例提供的信道预测方法可以提高信道预测的准确性。
本申请实施例中的信道预测装置可以是电子设备，例如具有操作系统的电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，终端可以包括但不限于上述所列举的终端11的类型，其他设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)等，本申请实施例不作具体限定。
本申请实施例提供的信道预测装置能够实现图1至图10的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供了一种通信设备5000，如图12所示，包括处理器5001和存储器5002，存储器5002上存储有可在所述处理器5001上运行的程序或指令，例如，该通信设备5000为UE时，该程序或指令被处理器5001执行时实现上述UE侧方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述，或者该通信设备5000为网络侧设备时，该程序或指令被处理器5001执行时实现上述第一网络侧设备或第二网络侧设备方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种无线通信设备，包括处理器及通信接口，其中，所述处理器用于基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型；并基于目标模型，对第一目标信道进行预测；其中，每个模型与辅助参数集中的一个辅助参数相关联，每个辅助参数与一个信道的多普勒频率相映射，第一参数与第一目标信道的多普勒频率相映射，所述通信接口用于获取所述第一参数。上述方法实施例的各个实施过程和实现方式均可适用于该终端实施例中，且能达到相同的技术效果。
可选地，本申请实施例中，上述无线通信设备可以为UE或网络侧设备。
可选地，本申请实施例中，以无线通信设备为UE为例，图13为实现本申请实施例的一种无线通信设备的硬件结构示意图之一。
如图13所示，UE7000包括但不限于：射频单元7001、网络模块7002、音频输出单元7003、输入单元7004、传感器7005、显示单元7006、用户输入单元7007、接口单元7008、存储器7009以及处理器7010等中的至少部分部件。
本领域技术人员可以理解，UE7000还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器7010逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图13中示出的UE结构并不构成对UE的限定，UE可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
应理解的是，本申请实施例中，输入单元7004可以包括图形处理单元(GraphicsProcessing Unit，GPU)7041和麦克风7042，图形处理器7041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元7006可包括显示面板7061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板7061。用户输入单元7007包括触控面板7071以及其他输入设备7072中的至少一种。触控面板7071，也称为触摸屏。触控面板7071可包括触摸检测装置和触摸控制器两个部分。其他输入设备7072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
本申请实施例中，射频单元7001接收来自网络侧设备的下行数据后，可以传输给处理器7010进行处理；另外，射频单元7001可以向网络侧设备发送上行数据。通常，射频单元7001包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器7009可用于存储软件程序或指令以及各种数据。存储器7009可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器7009可以包括易失性存储器或非易失性存储器，或者，存储器7009可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(SynchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本申请实施例中的存储器709包括但不限于这些和任意其它适合类型的存储器。
处理器7010可包括一个或多个处理单元；可选地，处理器7010集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器7010中。
其中，处理器7010，用于基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型；且用于基于目标模型，对第一目标信道进行预测。其中，每个模型与辅助参数集中的一个辅助参数相关联，每个辅助参数与一个信道的多普勒频率相映射，第一参数与第一目标信道的多普勒频率相映射。
一种可能的实现方式中，上述每个辅助参数包括以下至少之一：一个信道的多普勒频率、一个信道的第一自相关函数、第一自相关函数的时间标准偏差。
一种可能的实现方式中，上述第一参数包括以下至少之一：第一目标信道的多普勒频率、第一目标信道的第二自相关函数、第二自相关函数的时间标准偏差。
一种可能的实现方式中，上述目标模型关联的辅助参数与第一参数相匹配。
一种可能的实现方式中，上述第二辅助参数为辅助参数集中与第一参数间的匹配度最大的辅助参数。
一种可能的实现方式中，上述处理器7010，具体用于基于目标模型及第一信道响应，对第一目标信道进行预测；其中，第一信道响应为接收端通信设备接收或估计的第一目标信道的信道响应。
一种可能的实现方式中，上述上述处理器7010，具体用于在目标模型关联的辅助参数与第一参数间的匹配度小于或等于第一匹配度阈值的情况下，对第一信道执行与目标对比结果对应的预处理，得到第二信道响应，目标对比结果为目标模型关联的辅助参数与第一参数的对比结果；无线通信设备基于目标模型及第二信道响应，对第一目标信道进行预测。
一种可能的实现方式中，上述目标对比结果为目标模型关联的辅助参数与第一参数间的比值。
一种可能的实现方式中，上述处理器7010，还用于在基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型之前，基于目标模型关联的辅助参数，对目标模型进行训练。
一种可能的实现方式中，上述目标模型关联的辅助参数与第二目标信道的多普勒频率相映射；上述处理器7010，具体用于基于目标模型关联的辅助参数和第二目标信道的信道响应，对目标模型进行训练。
一种可能的实现方式中，上述处理器7010，还用于在基于目标模型关联的辅助参数和第二目标信道的信道响应，对目标模型进行训练之后，对目标模型进行性能评估；并在目标模型的性能评估结果不符合性能需求的情况下，对目标模型的模型参数进行更新或微调；
其中，目标模型的模型参数包括以下至少之一：目标模型的时域采样范围、目标模型的预测间隔、目标模型的采样间隔。
一种可能的实现方式中，上述处理器7010，还用于在基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型之前，基于目标信息，对第一目标信道进行参数估计，得到第一参数；
其中，目标信息包括以下至少之一：第一目标信道上的参考信号、接收端通信设备估计或接收的第一目标信道的第三信道响应。
一种可能的实现方式中，上述信道的多普勒频率根据信道上的参考信号的到达角确定。
一种可能的实现方式中，上述每个模型关联的辅助参数由高层配置或协议约定。
在本申请实施例提供的无线通信设备中，当需求对第一目标信道进行预测时，由于信道预测装置可以基于与第一目标信道的多普勒频率相映射的第一参数，确定目标模型，从而可以确保目标模型关联的辅助参数与第一目标信道的多普勒频率相适应，例如，训练目标模型使用的辅助参数(与一个信道的多普勒频率相映射)与第一参数相匹配，即可以使用多普勒频率特征与待预测的第一目标信道的多普勒频率特征相匹配的目标模型对第一目标信道进行预测，因此相比于相关技术中采用泛化的学习模型进行信道预测的方案，本申请实施例提供的信道预测方法可以提高信道预测的准确性。
可选地，本申请实施例中，以上述无线通信设备为网络侧设备为例，图14为实现本申请实施例的一种无线通信设备的硬件结构示意图之二。
如图14所示，该网络侧设备8000包括：天线8001、射频装置8002、基带装置8003、处理器8004和存储器8005。天线8001与射频装置8002连接。在上行方向上，射频装置8002通过天线8001接收信息，将接收的信息发送给基带装置8003进行处理。在下行方向上，基带装置8003对要发送的信息进行处理，并发送给射频装置8002，射频装置8002对收到的信息进行处理后经过天线8001发送出去。
以上实施例中无线通信设备执行的方法可以在基带装置8003中实现，该基带装置8003包括基带处理器。
基带装置8003例如可以包括至少一个基带板，该基带板上设置有多个芯片，如图11所示，其中一个芯片例如为基带处理器，通过总线接口与存储器8005连接，以调用存储器8005中的程序，执行以上方法实施例中所示的无线通信设备的操作。
该网络侧设备还可以包括网络接口8006，该接口例如为通用公共无线接口(common public radio interface，CPRI)。
具体地，本发明实施例的网络侧设备8000还包括：存储在存储器8005上并可在处理器8004上运行的指令或程序，处理器8004调用存储器8005中的指令或程序执行上述各模块执行的方法，并达到相同的技术效果，为避免重复，故不在此赘述。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述信道预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的无线通信设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述信道预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片，系统芯片，芯片系统或片上系统芯片等。
本申请实施例另提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现上述信道预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (30)

1.一种信道预测方法，其特征在于，包括：
无线通信设备基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型；
所述无线通信设备基于所述目标模型，对所述第一目标信道进行预测；
其中，每个模型与所述辅助参数集中的一个辅助参数相关联，每个辅助参数与一个信道的多普勒频率相映射，所述第一参数与所述第一目标信道的多普勒频率相映射。
2.根据权利要求1所述的方法，其特征在于，所述每个辅助参数包括以下至少之一：
所述一个信道的多普勒频率、所述一个信道的第一自相关函数、所述第一自相关函数的时间标准偏差。
3.根据权利要求1或2所述的方法，其特征在于，所述第一参数包括以下至少之一：
所述第一目标信道的多普勒频率、所述第一目标信道的第二自相关函数、所述第二自相关函数的时间标准偏差。
4.根据权利要求1所述的方法，其特征在于，所述目标模型关联的辅助参数与所述第一参数相匹配。
5.根据权利要求4所述的方法，其特征在于，所述第二辅助参数为所述辅助参数集中与所述第一参数间的匹配度最大的辅助参数。
6.根据权利要求1所述的方法，其特征在于，所述无线通信设备基于所述目标模型，对所述第一目标信道进行预测，包括：
所述无线通信设备基于所述目标模型及第一信道响应，对所述第一目标信道进行预测；
其中，所述第一信道响应为接收端通信设备接收或估计的所述第一目标信道的信道响应。
7.根据权利要求6所述的方法，其特征在于，所述无线通信设备基于所述目标模型及第一信道响应，对所述第一目标信道进行预测，包括：
所述无线通信设备在所述目标模型关联的辅助参数与所述第一参数间的匹配度小于或等于第一匹配度阈值的情况下，对所述第一信道执行与目标对比结果对应的预处理，得到第二信道响应，所述目标对比结果为所述目标模型关联的辅助参数与所述第一参数的对比结果；
所述无线通信设备基于所述目标模型及所述第二信道响应，对所述第一目标信道进行预测。
8.根据权利要求7所述的方法，其特征在于，所述目标对比结果为所述目标模型关联的辅助参数与所述第一参数间的比值。
9.根据权利要求1所述的方法，其特征在于，所述无线通信设备基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型之前，所述方法还包括：
所述无线通信设备基于所述目标模型关联的辅助参数，对所述目标模型进行训练。
10.根据权利要求9所述的方法，其特征在于，所述目标模型关联的辅助参数与第二目标信道的多普勒频率相映射；
所述无线通信设备基于所述目标模型关联的辅助参数，对所述目标模型进行训练，包括：
所述无线通信设备基于所述目标模型关联的辅助参数和所述第二目标信道的信道响应，对所述目标模型进行训练。
11.根据权利要求9或10所述的方法，其特征在于，所述无线通信设备基于所述目标模型关联的辅助参数和所述第二目标信道的信道响应，对所述目标模型进行训练之后，所述方法还包括：
所述无线通信设备对所述目标模型进行性能评估；
所述无线通信设备在所述目标模型的性能评估结果不符合性能需求的情况下，对所述目标模型的模型参数进行更新或微调；
其中，所述目标模型的模型参数包括以下至少之一：所述目标模型的时域采样范围、所述目标模型的预测间隔、所述目标模型的采样间隔。
12.根据权利要求1所述的方法，其特征在于，所述无线通信设备基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型之前，所述方法还包括：
所述无线通信设备基于目标信息，对所述第一目标信道进行参数估计，得到所述第一参数；
其中，所述目标信息包括以下至少之一：所述第一目标信道上的参考信号、接收端通信设备估计或接收的所述第一目标信道的第三信道响应。
13.根据权利要求2所述的方法，其特征在于，信道的多普勒频率根据信道上的参考信号的到达角确定。
14.根据权利要求1所述的方法，其特征在于，所述每个模型关联的辅助参数由高层配置或协议约定。
15.一种信道预测装置，其特征在于，所述装置包括：确定模块和预测模块；
所述确定模块，用于基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型；
所述预测模块，用于基于所述确定模块确定的所述目标模型，对所述第一目标信道进行预测；
其中，每个模型与所述辅助参数集中的一个辅助参数相关联，每个辅助参数与一个信道的多普勒频率相映射，所述第一参数与所述第一目标信道的多普勒频率相映射。
16.根据权利要求15所述的装置，其特征在于，所述每个辅助参数包括以下至少之一：
所述一个信道的多普勒频率、所述一个信道的第一自相关函数、所述第一自相关函数的时间标准偏差。
17.根据权利要求15或16所述的装置，其特征在于，所述第一参数包括以下至少之一：
所述第一目标信道的多普勒频率、所述第一目标信道的第二自相关函数、所述第二自相关函数的时间标准偏差。
18.根据权利要求15所述的装置，其特征在于，所述目标模型关联的辅助参数与所述第一参数相匹配。
19.根据权利要求18所述的装置，其特征在于，所述第二辅助参数为所述辅助参数集中与所述第一参数间的匹配度最大的辅助参数。
20.根据权利要求15所述的装置，其特征在于，
所述预测模块，具体用于基于所述目标模型及第一信道响应，对所述第一目标信道进行预测；
其中，所述第一信道响应为接收端通信设备接收或估计的所述第一目标信道的信道响应。
21.根据权利要求20所述的装置，其特征在于，所述预测模块，具体用于在所述目标模型关联的辅助参数与所述第一参数间的匹配度小于或等于第一匹配度阈值的情况下，对所述第一信道执行与目标对比结果对应的预处理，得到第二信道响应，所述目标对比结果为所述目标模型关联的辅助参数与所述第一参数的对比结果；
所述无线通信设备基于所述目标模型及所述第二信道响应，对所述第一目标信道进行预测。
22.根据权利要求21所述的装置，其特征在于，所述目标对比结果为所述目标模型关联的辅助参数与所述第一参数间的比值。
23.根据权利要求15所述的装置，其特征在于，所述装置还包括训练模块；
所训练模块，用于在所述确定模块基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型之前，基于所述目标模型关联的辅助参数，对所述目标模型进行训练。
24.根据权利要求23所述的装置，其特征在于，所述目标模型关联的辅助参数与第二目标信道的多普勒频率相映射；
所述训练模块，具体用于基于所述目标模型关联的辅助参数和所述第二目标信道的信道响应，对所述目标模型进行训练。
25.根据权利要求23或24所述的装置，其特征在于，所述装置还包括评估模块和更新模块；
所述评估模块，用于在所述训练模块基于所述目标模型关联的辅助参数和所述第二目标信道的信道响应，对所述目标模型进行训练之后，对所述目标模型进行性能评估；
所更新模块，用于在所述目标模型的性能评估结果不符合性能需求的情况下，对所述目标模型的模型参数进行更新或微调；
其中，所述目标模型的模型参数包括以下至少之一：所述目标模型的时域采样范围、所述目标模型的预测间隔、所述目标模型的采样间隔。
26.根据权利要求15所述的装置，其特征在于，所述装置还包括估计模块；
所述估计模块，用于在所述确定模块基于辅助参数集和第一目标信道的第一参数，从至少一个模型中确定目标模型之前，基于目标信息，对所述第一目标信道进行参数估计，得到所述第一参数；
其中，所述目标信息包括以下至少之一：所述第一目标信道上的参考信号、接收端通信设备估计或接收的所述第一目标信道的第三信道响应。
27.根据权利要求16所述的装置，其特征在于，信道的多普勒频率根据信道上的参考信号的到达角确定。
28.根据权利要求15所述的装置，其特征在于，所述每个模型关联的辅助参数由高层配置或协议约定。
29.一种无线通信设备，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至14中任一项所述的信道预测方法的步骤。
30.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至14中任一项所述的信道预测方法的步骤。
CN202210303803.9A 2022-03-24 2022-03-24 信道预测方法、装置及无线通信设备 Pending CN116846493A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210303803.9A CN116846493A (zh) 2022-03-24 2022-03-24 信道预测方法、装置及无线通信设备
PCT/CN2023/082507 WO2023179540A1 (zh) 2022-03-24 2023-03-20 信道预测方法、装置及无线通信设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210303803.9A CN116846493A (zh) 2022-03-24 2022-03-24 信道预测方法、装置及无线通信设备

Publications (1)

Publication Number Publication Date
CN116846493A true CN116846493A (zh) 2023-10-03

Family

ID=88099922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210303803.9A Pending CN116846493A (zh) 2022-03-24 2022-03-24 信道预测方法、装置及无线通信设备

Country Status (2)

Country Link
CN (1) CN116846493A (zh)
WO (1) WO2023179540A1 (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109076403B (zh) * 2016-04-29 2020-08-07 华为技术有限公司 网络设备、更新传送方法、用户设备及更新滤波器的方法
CN111628837B (zh) * 2019-02-27 2022-05-13 中国移动通信有限公司研究院 一种信道建模的方法及设备
CN113453293B (zh) * 2020-03-27 2023-03-03 维沃移动通信有限公司 业务接收方法及装置、通信设备
CN113873568A (zh) * 2020-06-30 2021-12-31 维沃移动通信有限公司 一种传输处理方法、装置及终端
CN113938232A (zh) * 2020-07-13 2022-01-14 华为技术有限公司 通信的方法及通信装置
CN113206809B (zh) * 2021-04-30 2022-11-15 南京邮电大学 一种联合深度学习与基扩展模型的信道预测方法

Also Published As

Publication number Publication date
WO2023179540A1 (zh) 2023-09-28

Similar Documents

Publication Publication Date Title
CN116266216A (zh) 客户端筛选方法及装置、客户端及中心设备
WO2023143572A1 (zh) 基于人工智能ai模型的定位方法及通信设备
WO2023040887A1 (zh) 信息上报方法、装置、终端及可读存储介质
WO2023134650A1 (zh) 信息交互方法、装置及通信设备
Liu et al. Scalable predictive beamforming for IRS-assisted multi-user communications: A deep learning approach
WO2023066288A1 (zh) 模型请求方法、模型请求处理方法及相关设备
CN116846493A (zh) 信道预测方法、装置及无线通信设备
WO2024067281A1 (zh) Ai模型的处理方法、装置及通信设备
WO2023098662A1 (zh) 定位方法及通信设备
WO2023088387A1 (zh) 信道预测方法、装置、ue及系统
WO2023103911A1 (zh) 测量方法、装置、设备及存储介质
WO2024067280A1 (zh) 更新ai模型参数的方法、装置及通信设备
WO2023098661A1 (zh) 定位方法及通信设备
WO2024067665A1 (zh) Csi预测处理方法、装置、通信设备及可读存储介质
WO2023040888A1 (zh) 数据传输方法及装置
WO2024037380A1 (zh) 信道信息处理方法、装置、通信设备及存储介质
WO2023174325A1 (zh) Ai模型的处理方法及设备
WO2023125951A1 (zh) 通信模型配置方法、装置和通信设备
CN117639862A (zh) Csi预测处理方法、装置、通信设备及可读存储介质
CN118042399A (zh) 模型监督方法、终端及网络侧设备
CN116668309A (zh) Ai模型的在线学习方法、装置、通信设备及可读存储介质
CN117641433A (zh) Csi预测处理方法、装置、通信设备及可读存储介质
CN117835267A (zh) Rs配置方法、装置、终端及网络侧设备
CN116418432A (zh) 模型更新方法及通信设备
CN116996898A (zh) Ai网络模型确定方法、装置、参考节点和网络侧设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination